本文提出了一种新型的联邦遗忘框架，旨在解决联邦学习中的遗忘问题。该方法通过减去历史更新来消除客户端贡献，并利用知识蒸馏恢复模型性能，无需依赖客户端数据。此外，研究还探讨了基于区块链的可信联邦取消学习框架和快速数据淘汰方法，以保护数据隐私。实验结果显示，该框架在准确性、通信成本和去学习效果方面表现优越。

本文总结了联邦遗忘（FU）领域的发展和挑战，重点关注可信任的联邦学习（FL）的分散化和隐私保护。文章提供了现有算法、目标、评价指标，并分类总结了各种方案、潜在应用和未来方向。